Apollo仿真「训练有素」，长沙无人驾驶出租「轻车熟路」

允中 发自 凹非寺
量子位 报道 | 公家号 QbitAI

书接上回，我们介绍到：百度Apollo无人驾驶出租，已在长沙周全免费开放。

[好文分享：www.ii77.com]

[转载出处：www.ii77.com]

然则！也有不少同伙发来疑问：心里有点担忧，不敢坐。

究竟之前都是人类司机，应对各类场景和路况有大脑。如今改成AI驾驶，靠不靠谱？

或许更直白来说，百度Apollo的工程师们，究竟是经由了如何的手艺审核和保障，才敢宁神开放给每一小我乘坐？

于是，奉读者之问，我们找到了Apollo的手艺大神们，而且经由「编译」，把这份Apollo无人驾驶出租敢于全民承载的背后手艺解析，转述给你听。

来，我们由表及里，一路从现象到素质。

云端练了万万遍，才敢人世坐一回

主动驾驶是个手艺活儿，能落地必然得手艺上过硬。

我们知道，所有AI模型都需要借助海量数据来练习，并且为了包管练习的结果，数据需要笼盖各个维度、各个方面。在主动驾驶范畴，AI手艺要应对的场景非常多，好比山路、平地、堵车、高速、国道、市中心、郊区、超车、变道、逆行、闯红灯、横穿马路等各类场景。

在手艺快速迭代的过程中，为了包管平安，在主动驾驶车辆上路测试前，需要经由一系列的测试与验证。

这里就需要仿真情况了。

早在2017年，Apollo的仿真情况就已经推出了，其时照样在Apollo 1.0版本的云办事..模块中。在国内，百度率先真正落地了大规模集群版的仿真..。

一年后，这一仿真情况再次升级，成为了增加实际的主动驾驶仿真系统（Augmented autonomous driving simulation, AADS），百度的研究人员为配合一作，论文揭橥在了Science Robotics上。在提拔建模真实性方面，百度的仿真器迈出了坚韧一步。

在主动驾驶范畴的仿真情况中，能够缔造出各类复杂路况、危险的突发状况来让AI模型在里面开车，获得雄厚的数据。因为是虚拟的仿真情况，是以成本比真实情况低得多，并且没有危险。

所以，AI模型能够在虚拟情况里无数次开车，测试各类情况、挑战各类复杂情境。Apollo在虚拟情况中跑了无数遍，战胜了各类艰难险阻之后，就成了平安靠谱的老司机。

是以，下一个问题来了：

仿真情况就是主动驾驶AI的练习场，既然仿真如斯主要，那事实什么样的仿真才能承担得起如许主要的责任？

谜底很简洁：真实，最大限度的接近真实。

那百度Apollo的主动驾驶仿真情况，又若何实现了真实性？

Apollo仿真世界全角度的”真实性”

前文提到，Apollo经由AADS系统，能够将真实的道路情况复刻建模到仿真情况中。

但光有道路情况是远远不敷的，路上还包罗路人和车辆，以及多种对象的复杂交互行为，还需考虑无人车自身的特征，包罗它的传感器模型，动力学模型、还有对非常情形的识别，这里面维度浩瀚，之间关系极端复杂。

仿真要达到如何尺度，才能完成在真实世界里“确保达到平安性”的要求。这需要仿真系统要尽或者多的发现路上所有或者显现的缺陷，同时不克有太多的误报。总结来说就是令仿真器可以达到对算法结果的展望结论可以无限接近实际路上的真实结果。

为了达到如许的目的，我们从四个维度来一一解析这个问题：

首先，需要考虑的是场景

何为“场景“？

主动驾驶手艺要解决的问题是经由人工智能，让无人车可以处理各类复杂路况，在各类情形下都可以平安和优化的行驶。所谓“复杂路况”，在对其进行原子化朋分后，在主动驾驶范畴称之为“场景”。

一个个场景就是一个个的考题，主动驾驶算法需要在仿真中经由所有的“考题”测试，才可以认为是初步具备了上路的资格。

首先我们要生成道路上车和障碍物地点的静态情况，这个被称为静态情况建模。

静态情况的根蒂模型是高精地图所包含的地图语义要素，是场景语义分类的主要维度。百度仿真直接基于百度高精地图作为底图来构建整个静态情况。基于百度在高精地图范畴深挚的手艺以及经验，百度仿真中的静态情况构建精度能够达到厘米级。

△ 社会车辆危险行驶

道路上的车和障碍物不是静止不动的，他们存在必然的交互关系，好比大部门行人都邑郑重的过马路，先看看双方的车辆再走，只有少部门行人会在马路上乱串行；四周大部门车辆都邑礼貌的切入，只有少部门车辆会快速切车或别车。

这就需要进行动态情况建模。

动态情况建模指的是在某个场景中，障碍物与车交互的合理性。在仿真情况中，人物和车辆的行为分布比率都要雷同真实世界，在统一个场景中，横穿马路的人、正常行走的人、出了故障的停在路上的车、正常行走的车等，这些在真实情况中或者会同时存在的情形在仿真情况里也该当合理的分布。

除了基于划定界说的多样化的障碍物行为，以及基于数据生成的模型来掌握障碍物行为外，障碍物的行为还必需充沛多样化、充沛精美和合理，才或者令仿真的结论达到跟路测结论的一致。

若何达到场景分布的合理性，解决这个问题必需基于海量的真实道路数据。

海量的真实道路数据供应了笼盖更全，描绘更为精美的障碍物+无人车的交互模型，同时知足了障碍物行为的真实性以及多样性需求。

为了知足算法需求，在Apollo的仿真场景集在组成上，在包管笼盖面周全的根蒂上，更仔细的调整了场景集中场景数据的组成体式，使得仿真场景集中的场景显现频率与实际路上的场景频率连结一致。有且仅有趋同的场景分布，仿真结论与路测结论才能一致。

△ 主车障碍车同时向中央车道并道-碰撞风险

Apollo仿真的场景库的根蒂是百万公里级其余真实路测数据。

一方面，百度的工程师们从大量真实道路数据中提掏出更正确的“障碍车与主车的交互/博弈的行为模型”，如许“真实在路上显现过的交互行为”包管了单个障碍物行为的真实性。

另一方面，基于大量的真实道路数据，可以组织出充沛雄厚的场景种类，包管了Apollo主动驾驶“习题集”对路上多样化场景的高笼盖率，让Apollo无人车在上路前，已经完成了对于路上或者会发生的所有场景的充裕验证。

Apollo仿真就是一个对于主动驾驶算法的好的先生。Apollo仿真拥有一个普遍且正确的场景库，可以令算法在充沛真实且充沛笼盖率的情况下捶打本身的能力，以包管路上结果。

其次，是无人车弗成贫乏的传感器仿真

无人车，在硬件层面与传统车辆的分歧之处，除了AI芯片作为大脑之外，此外两处分歧，一个是“传感器组”，另一个是“掌握单元”。前者作为无人车的眼睛，为大脑供应源源络续的对外部情况的感知。后者作为无人车的四肢，在大脑的批示下掌握车辆的行为。

在仿真..中，为了提拔运行效率，Apollo仿真需要对这两个“硬件”组件：“传感器”和“掌握单元”。对它们进行“软件化变换”，也就是在仿真器顶用软件算法来模拟出这两组硬件。

这就是无人车仿真中2个专有名词——传感器仿真，以及车辆动力学仿真。

传感器仿真要让虚拟的传感器有真实的传感器一般的结果？我们不克凭主观感受来界说传感器仿真的真实性，必需要找到一种客观的量化评估方案。

Apollo的算法设定了大量的评估指标，从多角度描绘“真实数据”特征，以及“仿真数据”特征。经由比对特征，然后经由“增补传感器衬着新功能，以及场景建模细节”慢慢缩小评估究竟的差距，令传感器仿真的模拟结果与真实传感器采集的数据尽最大或者一致。

恰是因为稀有百万公里的海量路采数据，才使得Apollo仿真器有能力在各类复杂前提下，都达到更高精度的传感器仿真能力。

仿真也需要大幅度提拔虚拟车的掌握精度

车辆掌握的精度，也就是“AI给车辆下达的号令”和“车辆实际执行结果”的精度问题。

好比说，当主动驾驶车辆在真实世界行驶时，AI号令车辆“进步40厘米”，但实际上考虑到摩擦力等实际身分，车辆或者只进步了30厘米，造成了纵向10厘米的精度误差。

相对于汽车来说，10厘米似乎是个小到可忽略的距离，然则在百度工程师看来，哪怕只有小小的十几厘米的误差，行使仿真去优化对加快度转变率稀奇敏感的“体感”相关指标，都邑带来数倍的体感非常点的漏判及误判，所以要进行车辆动力学仿真。

为认识决这个问题，百度工程师考虑行使海量的路采数据，做了“AI给车辆下达的号令”和“车辆实际执行结果”在大数据下的拟合，如许就获得更真实更精美的动力学模型。如许一种“大数据驱动的动力学模型调优”的方案，也有利于知足将来快速适配多种车型的需求。

最后，我们必需提一下：仿真执行器

前面的几项手艺偏向属于人人还对照熟悉的仿真功能，这一项固然隐藏在最底层，然则影响却普遍的。它指的是仿真逻辑在办事器端执行过程中，需要进行的一些特别设计。

实际世界中有一个熟知而又经常被轻忽的物理约束：统一的时空。

所谓“统一时空”指的是：世间万物都在统一的时间和空间中进行互相感化。所有人、车……的1秒，都是一般长的时间，所有人、车……的1米，也都是一般长的距离。

仿真中，统一距离的约束是靠着统一坐标系，而统一时钟的约束就要使用分歧于车端的做法。

这是因为仿真器运行的素质是在海量的CPU/GPU的较量资源上运行仿真逻辑，最终“较量出”整个世界，而办事器在执行任何逻辑时会以“多对象并行执行，但单体运行以一种随机的速度”的体式来进行，是以客观世界中“多物体间的统一时钟”的物理纪律无法知足。

仿真执行器就是用来完成“强制约束所有的对象能以某个统一的节奏来运转”如许的需求的。

也就是说，因为有了仿真执行器，分歧的仿真对象在执行时能够进行某种时间上的节奏同步，进而“模拟出”客观世界上中“统一时间”的概念。

当然，时钟同步还只是“仿真执行器”的一种易于懂得的表达。更抽象的表述是，“仿真执行器”完成的是“主动驾驶的数据流在真实物理时间框架下的受控流转”。

真实情形中，在主动驾驶时车端多个模块之间数据流的发送和达到节奏会有大量微小的跳变，而这些数据节奏的跳变会带来车端算法究竟的差别化。而精美化的仿真需要可以呈现/生成如许的微小的差别化究竟。

什么样的数据节奏？它又带来了如何的差别化？若何让仿真的究竟可以与如许的差别化结果做出正确的拟合？又怎么证实我们的仿真已经实现了充沛正确的拟合结果？这些又要从海量的数据中寻找谜底了。

Apollo仿真一方面实现了一个令数据流受控的“仿真流控框架”后，也就可以做到新闻延迟可自由定制，而且从真实数据中抽掏出了延迟模型，用以注入到数据流中，令其整体上仿真运行时可以获得较为真实的“数据节奏波动性”的结果。

同时更主要的一点，是竖立了一个“仿真复现率”的主动化的监控系统，持续的对比“真实路测中无人车的车姿数据”以及同场景下的“仿真中虚拟车的车姿数据”，在海量路测数据的验证下，可以证实百度仿真器自身具有充沛高正确，充沛高的泛化能力的“对真实情形的仿真能力”。

前文中，我们频频强调了数据对于仿真的主要性，仿真和路测并不是存在于分歧验证阶段互相自力关系，更不是用仿真取代路测的替代关系。

Apollo百万公里级其余真实路测数据恰是仿真优化的根蒂，仿真优化为算法迭代供应了更大的支撑，更优的算法又进一步带来了更大规模的路测里程，而更大规模的路测里程又进一步提拔了仿真结果——仿真和路测，在迭代闭环的两头，两者关系实际上一种互相依存互相促进，良性正轮回的模式。

将来，全无人驾驶会彻底改变人们的生活。而如今，无人驾驶还只是一个在蹒跚学步的孩子。无人驾驶的仿真，其定位非常明确——它是这个孩子的先生，它需要承担起“支撑无人驾驶手艺快速成长”的重任。

长沙内陆的“典型习题集”

最后，我们从仿真的世界回到实际，百度Apollo无人驾驶出租在长沙周全开放。

针对长沙的地区特别性，或许实际运营中显现的突发情形，好比前面有人过马路怎么办、有白叟拄着手杖走的稀奇慢怎么办、碰着强行超车的司机怎么办、恶劣天色看不清路况怎么办、大量送外卖的摩托车行驶在四周怎么办……

在仿真系统里供应专门的“典型习题集”，供AI频频练习测试，找出应对这类问题的最佳途径，络续迭代优化模型，让AI模型对此轻车熟路，提拔本身的开车技能，可以在真实场景中应对这类问题。

并且，这些场景显现的概率需要和长沙内陆的情形一致，如许才能获得在长沙运行的真实结果。

好比说，在模拟长沙的仿真情况中，就有以下这些场景：

我在路上好好的跑，右边却倏忽杀过来一个骑摩托车逆行的配送员：

雨下的很大，摄像头上都是雨滴，看不太清楚，路又稀奇堵，我好纠结要不要并道：

瓢泼大雨让我的视线恍惚，但前面有一辆暂时泊车的车子，我兴起勇气试了试，成功绕了曩昔：

像如许的场景，Apollo仿真..从真实数据中提掏出数万万个，能够说能内行车途中碰到的各类新鲜的人和车、诡异的天色、拥堵不胜的交通状况都囊括在内了。

有了这上万万道问题的“习题集”，AI就能够频频在这些场景练习本身。

究竟在真实的大马路上，弗成能找几十辆车来当“群演”，天天陪着主动驾驶车辆练习，并且万一撞坏了还要赔；而在虚拟的仿真情况里，AI能够无数次用这些“错题”来练习本身，不消担心撞坏，也不消担心“群演”下班，能够静心修炼，找到最佳的应对方式。

是以，用这种“错题集”的体式来测试AI，就似乎天天都在做江苏高考数学题，久而久之水平就比做全国卷的同窗凌驾一大截，练习质量也就高好多了。

所以，也是经由了如许虚拟和实际的无数次打磨，Apollo的工程师们也才敢让全民随意坐。

说个小机要，在这些无人驾驶工程师眼里，AI系统可比人类靠得住、不乱又平安多了。

你感觉呢？

传送门

文中相关内容的论文，有需要的读者能够自取：

AADS: Augmented autonomous driving simulation using driven algorithms
https://robotics.sciencemag.org/content/4/28/eaaw0863

An Automated Learning-Based Procedure for Large-scale Vehicle Dynamics Modeling on Baidu Apollo Platform
https://ieeexplore.ieee.org/document/8968102

作者系网易新闻·网易号“各有立场”签约作者

— 完 —

报名 | 不会写代码若何斥地对话机械人

5月29日下昼14:00，竹间智能Bot Factory™..发布，0代码斥地对话机械人，机械人工场开盒即用，支撑文本、语音、图像情绪识别。

扫码可围观直播~

量子位 QbitAI · 头条号签约作者

վ'ᴗ' ի 追踪AI手艺和产物新动态

喜欢就点「在看」吧 !